In vielen Unternehmen entstehen Personalentscheidungen bis heute überwiegend aus Erfahrung, Intuition und einzelnen Beobachtungen. Das ist nicht grundsätzlich falsch – erfahrene Führungskräfte und Personalverantwortliche treffen oft gute Entscheidungen. Doch zugleich schlummern in den Systemen des Personalbereichs große Mengen an Daten, die selten strukturiert genutzt werden: Angaben zu Ein- und Austritten, zu Bewerbungsprozessen, zu Abwesenheiten, zu Weiterbildung, zu Vergütung und zu Organisationsstrukturen. People Analytics setzt genau hier an: Es macht diese Daten zugänglich, verknüpft sie sinnvoll und leitet daraus Erkenntnisse ab, die einzelne Beobachtungen allein nicht liefern können. So lässt sich etwa erkennen, in welchen Bereichen die Fluktuation auffällig hoch ist, wie lange Stellenbesetzungen tatsächlich dauern oder wo Kompetenzen fehlen, bevor diese Lücken zum akuten Problem werden.
Drei Merkmale prägen einen guten People-Analytics-Ansatz:
Um People Analytics einzuordnen, hat sich ein Modell mehrerer Reifegrade etabliert, das den Weg von einfachen Auswertungen zu anspruchsvollen, vorausschauenden Analysen beschreibt. Am Anfang steht die deskriptive Analyse (descriptive analytics), die beschreibt, was geschehen ist – etwa eine Übersicht über die Fluktuation des vergangenen Jahres oder die Zahl der Neueinstellungen. Darauf baut die diagnostische Analyse (diagnostic analytics) auf, die nach den Ursachen fragt: Warum ist die Fluktuation in einem bestimmten Bereich gestiegen? Die nächste Stufe ist die prädiktive Analyse (predictive analytics), die auf Basis vorhandener Daten Wahrscheinlichkeiten für die Zukunft abschätzt – etwa das Risiko, dass in einem Team überdurchschnittlich viele Menschen kündigen. Als weitergehende Ausbaustufe wird gelegentlich die präskriptive Analyse (prescriptive analytics) genannt, die zusätzlich Handlungsempfehlungen ableiten soll. Wichtig ist die realistische Einordnung: Die meisten Unternehmen – gerade im Mittelstand – schöpfen bereits mit sauberer deskriptiver und diagnostischer Analyse einen großen Nutzen, lange bevor Prognosemodelle sinnvoll werden.
Ein verbreitetes Missverständnis gilt es früh auszuräumen: People Analytics ist nicht gleichbedeutend mit der Überwachung einzelner Beschäftigter. Seriöse Anwendungen arbeiten überwiegend mit aggregierten Daten – also mit Auswertungen über Gruppen, Teams oder das gesamte Unternehmen –, nicht mit dem lückenlosen Beobachten von Einzelpersonen. Der Zweck ist, Muster und Strukturen zu erkennen, um bessere Rahmenbedingungen zu schaffen, nicht das Verhalten Einzelner zu kontrollieren. Diese Abgrenzung ist nicht nur eine Frage der Haltung, sondern auch rechtlich und mitbestimmungsseitig hoch relevant: Wo Auswertungen auf einzelne Personen zielen oder eine Leistungs- und Verhaltenskontrolle ermöglichen, greifen strenge Anforderungen aus Datenschutz und Betriebsverfassung. Wer People Analytics als Instrument der Gestaltung versteht und Transparenz gegenüber den Beschäftigten wahrt, legt das Fundament für Akzeptanz – ohne die es keinen nachhaltigen Nutzen gibt.
Der gemeinsame Nenner aller Anwendungsfälle ist, dass sie eine wiederkehrende Personalentscheidung oder ein bekanntes Problem besser bearbeitbar machen. Statt zu vermuten, wo die Fluktuation drückt, macht eine Auswertung es sichtbar. Statt zu ahnen, dass das Recruiting langsam ist, wird die tatsächliche Dauer gemessen. Der Nutzen entsteht dabei selten aus einer einzigen spektakulären Erkenntnis, sondern aus vielen kleinen Verbesserungen und aus der Fähigkeit, Entwicklungen früh zu erkennen und gezielt gegenzusteuern. Die folgenden Felder gehören zu den praktisch wichtigsten Einsatzgebieten.
Für viele Unternehmen ist die Fluktuation der erste und wirkungsvollste Anwendungsfall. Der Grund liegt auf der Hand: Ungewollte Abgänge sind teuer, sie kosten Wissen, Einarbeitungsaufwand und Kontinuität, und sie sind zugleich ein empfindlicher Indikator dafür, ob im Unternehmen etwas nicht stimmt. Eine deskriptive Auswertung zeigt zunächst, wie hoch die Fluktuation insgesamt und je Bereich ist. Der eigentliche Erkenntnisgewinn entsteht in der diagnostischen Betrachtung: Häufen sich Abgänge in bestimmten Teams, in einer bestimmten Phase der Betriebszugehörigkeit oder in bestimmten Funktionen? Solche Muster lenken die Aufmerksamkeit auf konkrete Ursachen – Führung, Arbeitsbelastung, Entwicklungsperspektiven oder Vergütung – und ermöglichen gezielte Maßnahmen, statt pauschal an vielen Stellen zugleich zu drehen. Wichtig ist dabei, die Auswertung so zu gestalten, dass sie auf Gruppen und Strukturen zielt und nicht auf einzelne Personen zurückführbar wird.
Neben der Fluktuation zählen Recruiting, Kompetenzen und Vergütung zu den ergiebigsten Feldern. Im Recruiting macht die Messung der tatsächlichen Besetzungsdauer, der Abbruchquoten im Bewerbungsprozess und der Herkunft geeigneter Bewerbungen sichtbar, wo der Prozess klemmt und wo Investitionen sich lohnen. Beim Thema Kompetenzen geht es darum, vorhandene Fähigkeiten und künftig benötigte Anforderungen gegenüberzustellen, um Weiterbildung, Nachfolge und interne Mobilität gezielt zu planen – ein Feld, das eng mit dem Skill-Matching verwandt ist. Bei der Vergütung schließlich unterstützt die Analyse dabei, interne Konsistenz und Marktgerechtigkeit zu beurteilen und mögliche, nicht sachlich begründete Unterschiede zu erkennen; gerade im Hinblick auf faire und transparente Vergütung gewinnt dieses Feld an Bedeutung. Allen Anwendungsfällen gemeinsam ist: Der Nutzen steht und fällt mit der Datenqualität und mit einer klaren Fragestellung. Zahlen ohne Bezug zu einer Entscheidung erzeugen Aufwand, aber keinen Wert.
Der Ausgangspunkt jeder Analyse ist die Frage, welche Daten überhaupt vorhanden sind und wo sie liegen. In den meisten Unternehmen ist das Personalinformationssystem (HRIS) die zentrale Quelle für Stammdaten, Organisationsstruktur und Vertragsinformationen. Ergänzend liefern spezialisierte Systeme weitere Daten: das Bewerbermanagement für den Recruiting-Prozess, die Zeiterfassung für Arbeitszeiten und Abwesenheiten, die Entgeltabrechnung für Vergütungsdaten, Lern- und Weiterbildungssysteme für Kompetenzen sowie Befragungswerkzeuge für Stimmungsbilder. Der entscheidende Schritt ist, diese Quellen so zu verknüpfen, dass ein zusammenhängendes Bild entsteht, statt jede Quelle isoliert zu betrachten.
Die größte technische Herausforderung von People Analytics ist selten die Analyse selbst, sondern das Zusammenführen der Daten. In vielen Unternehmen liegen die Quellen als getrennte Silos vor, die nicht ohne Weiteres miteinander sprechen. Ein verbundenes Datenmodell verknüpft diese Quellen über gemeinsame Schlüssel – etwa eine eindeutige Personalnummer – und ordnet sie so, dass sich Fragen über Systemgrenzen hinweg beantworten lassen. Dabei geht es nicht darum, sämtliche verfügbaren Daten wahllos zusammenzuziehen, sondern gezielt jene, die zur jeweiligen Fragestellung beitragen. Ein gutes Datenmodell ist verständlich, dokumentiert und nachvollziehbar: Es ist klar, woher jede Kennzahl stammt, wie sie berechnet wird und für welchen Zweck sie erhoben wurde. Wo Daten für Analysen aggregiert oder anonymisiert werden können, sollte dies geschehen – das reduziert Risiken und stärkt zugleich das Vertrauen in die Auswertungen.
So verlockend ausgefeilte Analysen sind – sie sind nur so gut wie die Daten, auf denen sie beruhen. Unvollständige, veraltete oder widersprüchliche Daten führen zu falschen Schlüssen, und gerade weichere Felder wie Kompetenzprofile sind in der Praxis oft lückenhaft gepflegt. Vor jeder anspruchsvollen Analyse steht daher die unglamouröse, aber entscheidende Arbeit an der Datenqualität: einheitliche Definitionen, konsistente Erfassung, klare Verantwortlichkeiten für die Pflege und ein realistisches Bewusstsein für die Grenzen der vorhandenen Daten. Ein häufiger Fehler ist, mit den anspruchsvollsten Analysen zu beginnen, während die Datenbasis noch brüchig ist. Deutlich tragfähiger ist der umgekehrte Weg: zunächst wenige, saubere und verlässliche Kennzahlen aufbauen und die Analysetiefe erst steigern, wenn die Grundlage stimmt. Datenqualität ist kein einmaliges Projekt, sondern eine dauerhafte Aufgabe – und der eigentliche Engpass vieler People-Analytics-Vorhaben.
Am Anfang jeder Methode steht die saubere Definition von Kennzahlen. Eine Fluktuationsrate etwa lässt sich auf verschiedene Weisen berechnen; ohne eine eindeutige, dokumentierte Definition sind Vergleiche und Zeitreihen wertlos. Gute Kennzahlen sind wenige, klar definierte und für Entscheidungen relevante Größen – nicht ein möglichst umfangreicher Katalog. Die folgende Übersicht nennt beispielhaft verbreitete Kennzahlenfelder und beschreibt qualitativ, was sie zeigen und wofür sie verwendet werden; konkrete Zielwerte gibt es dabei bewusst nicht, weil sinnvolle Referenzwerte stark von Branche, Größe und Kontext abhängen.
Kennzahlen entfalten ihren Wert erst, wenn sie verständlich aufbereitet und den richtigen Adressaten zugänglich gemacht werden. Diese Aufgabe übernehmen Dashboards: verdichtete, meist visuelle Übersichten, die die wichtigsten Größen auf einen Blick zeigen und – idealerweise – zum Nachfragen einladen. Ein gutes Dashboard folgt dem Grundsatz weniger, aber aussagekräftiger Kennzahlen, ordnet sie nach den Fragen der jeweiligen Zielgruppe und macht Entwicklungen im Zeitverlauf sichtbar. Ebenso wichtig wie das, was gezeigt wird, ist das, was weggelassen wird: Ein überladenes Dashboard erschlägt und wird ignoriert, ein fokussiertes lädt zur Auseinandersetzung ein. Aus Beratungssicht ist entscheidend, dass Dashboards zielgruppengerecht gestaltet sind – die Geschäftsführung braucht andere Verdichtungen als eine HR-Fachabteilung – und dass sie die Datenschutz- und Mitbestimmungsanforderungen beachten, etwa indem sie auf Gruppengrößen achten, unterhalb derer keine Auswertung erfolgt, um Rückschlüsse auf Einzelpersonen zu vermeiden.
Auf der anspruchsvolleren Stufe kommen statistische Methoden und Prognosemodelle ins Spiel. Sie versuchen, aus historischen Mustern Wahrscheinlichkeiten für die Zukunft abzuleiten – etwa ein erhöhtes Kündigungsrisiko in bestimmten Konstellationen oder den künftigen Personalbedarf. Solche Modelle können wertvolle Frühwarnsignale liefern, verlangen aber besondere Sorgfalt. Erstens setzen sie eine ausreichende Menge und Qualität an Daten voraus, die im Mittelstand nicht immer gegeben ist. Zweitens sind ihre Ergebnisse Wahrscheinlichkeiten, keine Gewissheiten – sie zeigen Tendenzen, ersetzen aber nicht das Urteil des Menschen. Drittens besteht die Gefahr, dass Modelle bestehende Muster und Ungleichheiten fortschreiben, wenn sie unkritisch angewendet werden. Ein Prognosemodell, das etwa Kündigungsrisiken schätzt, sollte niemals zu Nachteilen für Einzelne führen, sondern ausschließlich dazu dienen, Rahmenbedingungen zu verbessern. Die methodische Reife eines Unternehmens zeigt sich weniger in der Komplexität seiner Modelle als in der Umsicht, mit der es deren Grenzen kennt und kommuniziert.
KI im HR-Kontext umfasst ein breites Spektrum: von statistischen Prognosemodellen über Verfahren des maschinellen Lernens bis zu generativen Assistenten, die Texte erstellen oder Fragen beantworten. Der gemeinsame Gedanke ist, Muster in Daten zu erkennen, die für Menschen nicht ohne Weiteres sichtbar sind, und daraus Vorhersagen oder Vorschläge abzuleiten. Im Personalmanagement reicht das von der Abschätzung von Kündigungsrisiken über die Unterstützung im Recruiting bis zur automatisierten Aufbereitung von Auswertungen. Der potenzielle Nutzen ist erheblich – ebenso wie die Verantwortung, die mit dem Einsatz einhergeht.
Der sinnvolle Einsatz von KI im HR beginnt mit einer nüchternen Unterscheidung zwischen unterstützenden und entscheidenden Funktionen. Als Unterstützung ist KI häufig ein Gewinn: Sie kann große Datenmengen auswerten, Auswertungen vorbereiten, Muster sichtbar machen und Routinearbeit abnehmen. Kritisch wird es, sobald KI-Ergebnisse unmittelbar über Menschen entscheiden – etwa über eine Absage im Bewerbungsprozess oder über Nachteile im Beschäftigungsverhältnis. Hier verlangt schon der rechtliche Rahmen besondere Vorsicht, und ethisch ist der Grundsatz zwingend, dass wesentliche Entscheidungen über Menschen nicht allein einer Maschine überlassen werden dürfen. Ein zweites zentrales Thema ist der Bias: KI-Modelle lernen aus vorhandenen Daten und können darin enthaltene Verzerrungen und Ungleichheiten übernehmen und verstärken. Ein Recruiting-Modell, das aus der Vergangenheit lernt, läuft Gefahr, vergangene Einseitigkeiten fortzuschreiben. Wer KI einsetzt, muss diese Risiken kennen, aktiv gegensteuern und die Ergebnisse regelmäßig auf Fairness prüfen.
Predictive Analytics – die vorausschauende Analyse – ist das reizvollste und zugleich am häufigsten überschätzte Feld. Reizvoll ist die Vorstellung, Entwicklungen vorherzusehen und rechtzeitig zu handeln. Überschätzt wird oft, wie belastbar solche Prognosen sind und welche Voraussetzungen sie haben. Realistisch betrachtet liefern Prognosemodelle Wahrscheinlichkeiten und Tendenzen, keine Gewissheiten; sie sind nur so gut wie die zugrunde liegenden Daten, und ihre Aussagekraft sinkt, je kleiner und heterogener die Datenbasis ist – ein für den Mittelstand wichtiger Punkt. Aus Beratungssicht gilt daher: Predictive Analytics ist kein Einstiegsprojekt, sondern eine Ausbaustufe für Unternehmen, die eine tragfähige Datenbasis, klare Zwecke und ein funktionierendes Zusammenspiel mit Datenschutz und Mitbestimmung aufgebaut haben. Wer diese Grundlagen hat, kann von vorausschauenden Analysen profitieren – vorausgesetzt, er behandelt ihre Ergebnisse als Hinweis, nicht als Urteil, und stellt den Menschen und dessen verantwortliche Entscheidung stets in den Mittelpunkt.
Der einfachste Einstieg gelingt oft mit den Auswertungs- und Analytics-Funktionen, die viele moderne HR-Systeme bereits mitbringen. Sie sind auf die typischen Personalkennzahlen zugeschnitten, arbeiten direkt auf den vorhandenen HR-Daten und erfordern wenig zusätzliches Wissen. Wo Anforderungen über das Standardrepertoire hinausgehen, kommen allgemeine Business-Intelligence-Plattformen ins Spiel, die flexibler sind und Daten aus vielen Quellen verbinden, dafür aber mehr Aufbau- und Modellierungsarbeit sowie analytisches Know-how verlangen. Spezialisierte People-Analytics-Werkzeuge schließlich bringen HR-Fachlogik und vorkonfigurierte Analysen mit, positionieren sich zwischen den beiden anderen Welten und richten sich an Organisationen mit ausgeprägtem Analytics-Bedarf.
Für die meisten mittelständischen Unternehmen ist das Analytics-Modul der eigenen HR-Software der pragmatischste Ausgangspunkt. Der Vorteil liegt in der Nähe zu den Daten: Die Kennzahlen sind bereits auf typische Personalfragen zugeschnitten, die Daten stammen aus dem System selbst, und es ist kein aufwendiges Zusammenführen aus verschiedenen Quellen nötig. Für deskriptive und viele diagnostische Fragen reicht dieser Weg oft vollständig aus und liefert schnell Nutzen, ohne dass zusätzliches Werkzeug und Spezialwissen aufgebaut werden müssten. Die Grenze zeigt sich dort, wo Fragen über den vorgesehenen Funktionsumfang hinausgehen, wo Daten aus mehreren Systemen verbunden werden müssen oder wo individuelle, tiefe Analysen gefragt sind. Aus Beratungssicht lohnt es sich, zunächst auszuschöpfen, was das vorhandene System kann, bevor in zusätzliche Werkzeuge investiert wird – häufig ist der Bedarf mit Bordmitteln bereits weitgehend gedeckt.
Reichen die Bordmittel nicht aus, stehen zwei Wege offen. Eine allgemeine Business-Intelligence-Plattform bietet maximale Flexibilität: Sie verbindet Daten aus beliebigen Quellen, erlaubt frei gestaltbare Auswertungen und Dashboards und lässt sich auf jede Fragestellung zuschneiden. Der Preis dafür ist der Aufbauaufwand – Datenmodellierung, Pflege und die Notwendigkeit analytischen Know-hows, das erst aufgebaut oder eingekauft werden muss. Zudem bringt eine BI-Plattform keine HR-Fachlogik von Haus aus mit; sie muss selbst modelliert werden. Spezialisierte People-Analytics-Werkzeuge positionieren sich zwischen den Welten: Sie verbinden die Flexibilität einer Analyseplattform mit vorkonfigurierter HR-Fachlogik und richten sich an Organisationen mit ausgeprägtem und dauerhaftem Analytics-Bedarf. Welcher Weg passt, ergibt sich aus der ehrlichen Einschätzung der eigenen Anforderungen, der verfügbaren Kompetenzen und der Bereitschaft, in Aufbau und Betrieb zu investieren. Der konkrete Funktionsumfang einzelner Produkte entwickelt sich laufend und sollte direkt beim jeweiligen Anbieter geprüft werden.
Der wichtigste Grundsatz lautet: klein und konkret beginnen. Wer People Analytics als großes, umfassendes Programm aufsetzt, verliert sich leicht in Datenprojekten, ohne dass ein spürbarer Nutzen entsteht. Deutlich tragfähiger ist der umgekehrte Weg – eine konkrete, relevante Frage auswählen, sie mit den vorhandenen Daten sauber beantworten und aus diesem ersten Erfolg lernen. So wächst nicht nur die technische Fähigkeit, sondern auch das Vertrauen der Beteiligten, ohne das kein datenbasiertes Personalmanagement Bestand hat. Die folgende Reihenfolge hat sich in der Praxis bewährt.
People Analytics lebt vom Zusammenspiel zweier Kompetenzwelten, die in vielen Unternehmen getrennt sind. Auf der einen Seite steht das fachliche Verständnis der Personalarbeit – die Fähigkeit, relevante Fragen zu stellen, Ergebnisse im Kontext zu deuten und die Grenzen der Aussagekraft zu erkennen. Auf der anderen Seite steht das Datenhandwerk – der saubere Umgang mit Daten, das Aufbereiten, Verknüpfen und Auswerten sowie das Bewusstsein für methodische Fallstricke. Beide Seiten müssen zusammenfinden, denn Datenkompetenz ohne HR-Verständnis erzeugt technisch korrekte, aber irrelevante Auswertungen, und HR-Verständnis ohne Datenkompetenz führt zu Fehlschlüssen. Im Mittelstand ist selten von Beginn an eine eigene Analytics-Fachkraft vorhanden; häufig wächst die Kompetenz im vorhandenen HR-Team, ergänzt durch punktuelle externe Unterstützung. Entscheidend ist weniger, sofort ein perfektes Team zu haben, als den Aufbau bewusst zu planen und mit realistischen ersten Schritten zu beginnen.
Der vielleicht am meisten unterschätzte Erfolgsfaktor ist die Akzeptanz – bei Führungskräften, bei den Beschäftigten und bei der Mitbestimmung. Datenbasiertes Personalmanagement berührt einen sensiblen Bereich: Menschen möchten nicht das Gefühl haben, vermessen oder überwacht zu werden. Wo People Analytics als Kontrollinstrument wahrgenommen wird, entsteht Widerstand, der jeden methodischen Fortschritt zunichtemacht. Umgekehrt wächst Akzeptanz dort, wo der Zweck klar und legitim ist, wo mit aggregierten statt personenbezogenen Daten gearbeitet wird, wo Transparenz herrscht und wo die Ergebnisse erkennbar dazu dienen, Arbeitsbedingungen zu verbessern. Aus Beratungssicht ist die frühe, offene Kommunikation – was wird ausgewertet, zu welchem Zweck, mit welchen Grenzen – kein Beiwerk, sondern ein Kernbestandteil jeder erfolgreichen Einführung. Vertrauen ist die eigentliche Voraussetzung dafür, dass datenbasierte Personalarbeit nachhaltig wirkt.
Der Mittelstand unterscheidet sich in mehreren Punkten von Großunternehmen, und diese Unterschiede prägen den sinnvollen Zuschnitt von People Analytics. Erstens ist die Datenmenge kleiner, was manche statistischen Verfahren und Prognosemodelle weniger belastbar macht – ein wichtiger Grund, mit deskriptiven und diagnostischen Auswertungen zu beginnen. Zweitens fehlt meist ein eigenes Analytics-Team, sodass die Kompetenz im vorhandenen HR-Bereich wachsen muss. Drittens ist der Bedarf oft sehr konkret: Es geht nicht um umfassende Datenprogramme, sondern um Antworten auf drängende Fragen wie hohe Fluktuation, schwieriges Recruiting oder Fachkräftemangel. Genau in dieser Konkretheit liegt die Chance – mittelständische People-Analytics-Vorhaben können schlank, fokussiert und schnell wirksam sein.
Der größte Nutzen entsteht im Mittelstand dort, wo eine wiederkehrende, spürbare Herausforderung auf vorhandene, verlässliche Daten trifft. Die Fluktuation ist dafür das Paradebeispiel: Sie ist teuer, sie ist ein empfindlicher Frühindikator, und die dafür nötigen Daten liegen fast immer im HR-System vor. Ähnlich verhält es sich mit dem Recruiting, dessen Prozessdaten meist im Bewerbermanagement verfügbar sind, und mit der Personalstruktur, die sich unmittelbar aus den Stammdaten ableiten lässt. Der Hebel liegt weniger in ausgefeilten Verfahren als darin, überhaupt strukturiert hinzuschauen, wo bisher Eindrücke regierten. Aus Beratungssicht empfiehlt sich für den Mittelstand ein bewusst schlanker Einstieg: eine relevante Frage, saubere Daten, eine verständliche Auswertung – und daraus wachsend eine Routine. Der Verzicht auf überambitionierte Prognosen zu Beginn ist dabei kein Mangel, sondern Ausdruck von Reife.
Der Ausgangspunkt ist die Einsicht, dass People Analytics ohne einen soliden ethischen und rechtlichen Rahmen weder zulässig noch nachhaltig ist. Personaldaten gehören zu den sensibelsten personenbezogenen Daten, und einzelne Kategorien – etwa Gesundheitsdaten – unterliegen als besondere Kategorien personenbezogener Daten einem besonders strengen Schutz. Wer Personaldaten auswertet, bewegt sich damit von Beginn an in einem Feld, das die Datenschutz-Grundverordnung, das nationale Datenschutzrecht, das Arbeitsrecht und – wo ein Betriebsrat besteht – die Mitbestimmung betrifft. Diese Anforderungen sind kein Hindernis, das dem Nutzen im Weg steht, sondern die Bedingung dafür, dass datenbasierte Personalarbeit überhaupt Vertrauen und Bestand gewinnt.
Aus der DSGVO ergeben sich mehrere Grundsätze, die für People Analytics unmittelbar leitend sind. Die Verarbeitung personenbezogener Daten braucht eine Rechtsgrundlage und einen klar bestimmten, legitimen Zweck; Daten, die für einen Zweck erhoben wurden, dürfen nicht ohne Weiteres für einen anderen ausgewertet werden. Der Grundsatz der Datenminimierung verlangt, nur so viele Daten zu verarbeiten, wie der Zweck tatsächlich erfordert – was für Aggregation und Anonymisierung spricht, wo immer sie möglich sind. Besondere Vorsicht gilt bei den besonderen Kategorien personenbezogener Daten, etwa Gesundheitsdaten, für die ein deutlich strengerer Schutz besteht. Hinzu kommen Transparenzpflichten gegenüber den Betroffenen, Betroffenenrechte, Aufbewahrungs- und Löschfristen sowie technisch-organisatorische Maßnahmen zum Schutz der Daten, einschließlich einer strikten Beschränkung der Zugriffe auf befugte Personen. Ob im Einzelfall zusätzlich eine Datenschutz-Folgenabschätzung erforderlich ist, hängt von Art und Umfang der Verarbeitung ab und ist fachkundig zu klären.
Ein besonders sensibler Bereich ist das Profiling – die automatisierte Bewertung persönlicher Aspekte, etwa um Leistung, Verhalten oder Kündigungswahrscheinlichkeit einer Person einzuschätzen. Hier ist die Grenze zwischen legitimer, aggregierter Analyse und unzulässiger Einzelbewertung entscheidend. Auswertungen, die auf Gruppen und Strukturen zielen und Rahmenbedingungen verbessern sollen, sind etwas anderes als Verfahren, die einzelne Beschäftigte bewerten oder gar automatisiert über sie entscheiden. Für automatisierte Entscheidungen, die für Menschen erhebliche Wirkung entfalten, sieht der rechtliche Rahmen besondere Schranken vor. Als Leitlinie gilt: Wesentliche Entscheidungen über Menschen dürfen nicht allein einer Maschine überlassen werden, und Profiling im Beschäftigungskontext ist rechtlich wie ethisch heikel. Wo solche Verfahren erwogen werden, sind sie vorab sorgfältig zu prüfen, transparent zu gestalten und mit der Mitbestimmung abzustimmen. Die genaue rechtliche Zulässigkeit ist stets im Einzelfall fachkundig zu beurteilen.
Wo ein Betriebsrat besteht, ist die Mitbestimmung ein zentraler Faktor jedes People-Analytics-Vorhabens. Die Betriebsverfassung räumt dem Betriebsrat bei Einrichtungen, die geeignet sind, das Verhalten oder die Leistung der Beschäftigten zu überwachen, Mitbestimmungsrechte ein – und viele Systeme, die Personaldaten auswerten, fallen potenziell in diesen Bereich. Praktisch bedeutet das: Der Betriebsrat sollte frühzeitig eingebunden werden, nicht erst, wenn ein Vorhaben bereits feststeht. Eine offene, frühe Abstimmung klärt Grenzen, schafft Vertrauen und verhindert, dass ein Projekt später blockiert wird. Häufig wird der Umgang mit datenbasierter Personalarbeit in einer Betriebsvereinbarung geregelt, die Zwecke, zulässige Auswertungen, Grenzen und Schutzmaßnahmen festhält. Aus Beratungssicht ist die Mitbestimmung kein bürokratisches Hindernis, sondern ein Verbündeter: Wo Betriebsrat und Belegschaft einbezogen sind und den Zweck als legitim erkennen, entsteht die Akzeptanz, ohne die People Analytics nicht wirken kann. Die konkreten Mitbestimmungstatbestände und ihre Ausgestaltung sind im Einzelfall fachkundig zu prüfen.
